В этой подборке генеративный ИИ для бурения, машинное обучение для поиска sweet-spotов, нейронные сети для интерпретации. FMI

В качестве общественно-полезной нагрузки мне кажется будет познавательным познакомить инженеров с некоторыми исследованиями и практическими кейсами применения ИИ и машинного обучения, которые сейчас обсуждают профессионалы нефтегазовой отрасли.

Генеративный ИИ в бурении

Применение генеративного ИИ в нефтегазе идет медленно, если не сказать, что его просто нет. Поэтому я внимательно слежу за любыми новыми идеями, которые хотя бы отдаленно напоминают реальное применение.

Sabbagh, Lima и Xexeo из Petrobras исследовали возможность использования LLM (больших языковых моделей) для помощи в бурении и ремонте скважин. Они рассмотрели два типа задач:

• Задачи вопрос-ответ

• Преобразование текста в SQL

Ключевая выгода: повышение продуктивности работников умственного труда

LLMs like GPT-4 enhance productivity in knowledge-intensive tasks, potentially saving significant costs (Dell’Acqua et al. 2023) by increasing productivity of knowledge workers by 12% on average.

If we consider the USD 2.8 billion spent on compensation by a major oil company, 60% of which goes to knowledge workers (USD 1.6 billion), a 12% productivity increase could be viewed as generating an additional USD 204 million worth of output from the same workforce

Боль

Изучение суточных отчетов по бурению — унылое занятие, особенно в если нужно поискать что-то что произошло пару месяцев назад и ты не помнишь на какой конкретно скважине это случилось. Но эти отчеты содержат нюансы, критически важные для текущих операций: от проблем при строительстве скважин до потенциальных будущих осложнений при их ремонте.

Результаты

Одиночные и многоагентные системы не только справились с задачами, но и показали достойный уровень достоверности. Многоагентные системы лучше справились с Q&A-задачами, а одиночный агент — с задачами Text-to-SQL. Отдельное внимание уделено стоимости вычислений, так как многоагентные системы дороже в использовании.

Мета-исследование по использованию машинного обучения в поиске sweet-spotов для скважин

Khanjar делал мета-анализ научных работ по использованию машинного обучения для поиска «sweet spots» в нефтегазовых месторождениях и собрал разные подходы к этой проблеме.

Боль

Sweet-spot — это зоны в пласте, где дебит скважины значительно выше среднего. Их точная локализация критически важна при проектировании новых и расширении существующих буровых программ. В этом мета-анализе сравниваются разные алгоритмы и их применимость.

Результаты

Автор выделил лучшие практики по сбору, подготовке и обработке данных. Отдельно проведено исследование значимых признаков, влияющих на точность моделей.

Важно отметить, что не все исследования дали статистически значимые результаты. Но многие показали, что задача поиска «sweet spots» может быть решена методами машинного обучения, как для новых, так и для зрелых месторождений.

Замена традиционного моделирования на ML для оценки остаточной нефтенасыщенности пород

Боль

Традиционное моделирование в нефтегазе:

• Дорого

• Долго

• Склонно к ошибкам (из-за сложности процессов и несовершенства данных)

Глубокое обучение, конечно, менее объяснимо, но зато даёт огромный выигрыш в скорости после обучения модели.

Rizsk et al. предложили гибридный подход: сочетание моделирования и глубокого обучения.

За счет этого мы снижаем стоимость процесса моделирования и увеличиваем скорость

Минутка инженерного восхищения

Как негеолога, больше всего меня зацепил сам метод создания модели керна. Из множества КТ-сканов формируется воксельная 3D-модель породы.

Затем извлекаются признаки, добавляются другие данные, и на их основе обучается модель. Настоятельно рекомендую ознакомиться с этой работой — в ней можно найти массу идей для других направлений моделирования.

Компьютерное зрения для интерпретации FMI скважин

Боль

Интерпретация FMI (formation microimager) логов:

• Долгая

• Рутинная

• Склонная к ошибкам

Но при этом крайне важна для характеристики пласта. Если ваш фонд охвачен FMI — то можно получить гораздо более точное представление о трещинах в породе, о том как сформировалась залежь и о том как будет происходить добыча. Все это вкладывается в гидродинамическую модель. Но процесс очень сложен и зависит от конкретных инженеров, которые FMI интерпретируют.

Решение

Создание размеченного датасета для обучения нейросетей с целью автоматической интерпретации FMI-логов. Автоматическая идентификация:

• Пластовых границ

• Трещин

• Минералогических изменений

• Разломов и прочего

Результаты

Всем, кто работал с computer vision, то методология знакома. Основная работа — разметка данных.

В данном случае инженеры вручную разметили 2500 образцов (по 50 образцов на 50 различных признаков). Дальше все просто: извлечение признаков + нейросеть (например, на базе ImageNet).

Отличный пример того, как машинное обучение масштабирует крайне ограниченный ресурс — время высококвалифицированных инженеров.

Что может быть хуже, чем добывать нефть и газ? Разве что торговать наркотиками и оружием. Особо радикальные товарищи и тут могут состряпать моральный аргумент на уровне: «это хотя бы убивает людей, а не планету». Поэтому мы, нефтяники, со своей судьбой — быть где-то между Гитлером и сигаретами — уже как-то смирились.

Но, видимо, не все. Наши зарубежные коллеги, скорее всего такие же тормознутые и консервативные, как и мы, наконец-то добрались до киношников и профинансировали абсолютный сериальный шедевр — Землевладелец (Landman). Не понимаю, почему они не сделали этого раньше.

Наверное, раньше было слишком рано. Сериал вышел вовремя. Именно тогда, когда должен был выйти. Трамп с его DRILL, BABY, DRILL, протухший зелёный переход, высокие цены на нефть, погибающая от них промышленность Европы — все факторы идеально сходятся в одну точку, из которой внимательному зрителю становится видно: у планеты осталась только одна надежда — на нефтяников и газовиков. И да, может быть, мы и угробим эту планету, но хотя бы сделаем это из комфорта кондиционируемых помещений, потягивая матча-латте на кокосовом молоке через ПЛАСТИКОВУЮ трубочку, а не из размокающего бумажного жмыха.

В этом сериале прекрасно всё. Его делал Тейлор Шеридан. Из-под его пера вышли такие замечательные вещи, как Yellowstone (вместе со спин-оффами 1883 и 1923) и Tulsa King. Истории, где сильная и умная личность противостоит личностям алчным и глупым, имея при этом миссию, которая больше, чем они сами.

Землевладелец — другой. У землевладельца нет миссии. Есть только будни. Идеальный каст Билли Боба Торнтона сложно переплюнуть. Он даже в жизни выглядит так, будто устал ещё в 2000 году, когда женился на Анджелине Джоли. На роль лэндмэна частной нефтяной компании такое усталое лицо подходит как нельзя лучше.

Будни героя состоят из исключительного и безостановочного пиздеца. Всё, как в реальной жизни. Понятно, что магия кино сильно спрессовывает и концентрирует события для усиления эффекта, но факт в том, что каждый нефтяник все эти события переживёт в своей карьере. И это подкупает. Ровно так же, как подкупает прикреплённый к каске газоанализатор оператора. Или глубокий инженерный анализ скважины по принципу: «что-то случилось, мы не знаем, что, но надо что-то делать. Так идите, блядь, и делайте».

А потом герой возвращается домой, где его ждёт семья. И семья эта тоже несёт на себе след работы героя. Я убеждён, что только малая доля зрителей этот след заметит. Для обывателя это прекрасная, хоть и с небольшими нюансами, семья. Но герой и тысячи таких же нефтяников с такими же семьями видят то, что не видят другие. Поэтому Землевладелец по-особенному хорош для тех, кто в теме. Не той частью, где три дебила работают неискробезопасным инструментом на скважине с утечкой. А той, где герой смотрит на близких людей своими усталыми глазами, как собака. Всё понимает. Но ничего сказать и сделать не может.

Землевладелец рекомендован к просмотру. Даже с проклятым корявым переводом он доставляет истинное удовольствие и нефтяникам, и членам их семей. Потому что там, по другую сторону экрана, тебя понимают. А это дорого стоит.